REPÚBLICA BOLIVARIANA DE VENEZUELA.

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA.

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA
ARMADA.
NUCLEO -TACHIRA.

Integrantes:
Reyes José miguel
25.075.675
Prof.; Ordoñez ludy
Estadística

San Cristóbal, marzo 2020

 Regresión Lineal Múltiple
La regresión lineal múltiple es un método usado para medir la relación que podrían
guardar algunas variables independientes dentro de un estudio estadístico. Estos
estudios pueden ser de utilidad a nivel financiero o científico, para apoyar y dar a
conocer resultados experimentales matemáticos de una forma que pueda ser
comprensible por la sociedad en general.
La estadística es fundamental en la ciencia ya que es una forma práctica de aplicar
un experimento sobre un numero de terminado de población y medir los resultados
de una forma infalible. Las probabilidades, las muestras y los individuos forman
parte del mundo estadístico y su clasificación y tipos puede ser muy amplia.
Podemos comenzar definiendo que es una técnica usada en estadística para
establecer una relación entre algunas variables dependientes o para explicar
algunas variables independientes. Existen muchos conceptos importantes
relacionados con este método que son importantes conocer al momento de realizar
una regresión lineal múltiple.
Este concepto estadístico hace referencia a las perturbaciones no constantes
durante las observaciones realizadas, sin embargo, con respecto a la regresión
lineal implica no seguir el modelo de regresión lineal múltiple. La Heterocedasticidad
se presenta en algunos casos cuando los datos de una muestra son valores que se
han promediado o han sido simplemente agregados.
Está vinculado a las variables explicativas y la correlación entre ellas. La correlación
entre dos variables siempre va darse a menos que el experimento se realice en las
condiciones específicas de un laboratorio.
Es importante para entender la regresión lineal múltiple es una forma de
Multicolinealidad que se da cuando una variable o más son una combinación lineal
de la otra, lo cual también se conoce como coeficiente de correlación entre dos
variables.
Asi mismo, ocurre cuando no se puede afirmar que una o más variables sean una
combinación lineal de la otra, aunque existe un coeficiente entre ellas muy cercano
uno del otro. Como mencionamos esta es una forma de comprobar hipótesis, sin
embargo, para aplicarse deben cumplirse algunos parámetros como: El resultado o
variable dependiente debe presentarse en una escala, es decir, deben presentarse
según una jerarquía en una escala del uno al diez.
Las causas deben ser escalares o nominales. Existen otras condiciones tales como
en el caso de las variables independientes que no pueden estar muy
correlacionadas entre si y todas las variables deben seguir la distribución normal.
En caso de estar por debajo de 0.05 se puede afirmar que el modelo a nivel
estadístico es significativo, en este caso las variables independientes explicarían
alguna cosa, y las variables dependientes podría validar cuanto “algo” es la R- al
cuadrado.
En cuanto al resultado de cuanto realmente se explica a través de las variables
dependientes, las llamadas variables independientes. También se conoce como
coeficiente de determinación y también se explica como el ajuste de un modelo a la
variable que intenta demostrar.
Del mismo modo, Se aplica cuando la población utilizada para el estudio sigue una
distribución normal, sin embargo, el tamaño de la muestra es muy pequeño y tiene
muchos usos en estadística, pero en el caso de la regresión linean se usa cuando
si la pendiente en la estadística difiere de cero.
El coeficiente beta es muy utilizado en el mundo de las finanzas para el cálculo de
inversiones riesgosas, pero en el caso de la regresión lineal indica cuan intensa y la
dirección que sigue la relación entre variables dependientes e independientes. Para
comenzar un modelo de regresión lineal debes asegurarte que el mismo se adapte
a los datos que has recabado de las muestras y la población para ello deben
cumplirse ciertas condiciones como:
La relación entre las variables debe ser lineal, los errores en la medición deben ser
independientes entre sí, La varianza de dichos errores debe ser constante, la
esperanza de estos errores debe ser cero a nivel matemático, el error total debe ser
la suma de cada uno de los errores.
Dentro del estudio estadístico y el modelo de regresión lineal, los residuos o errores
son la diferencia entre los valores reales y los valores estimados de la regresión. Se
utilizan para valorar la correlación entre los valores medidos y la regresión. Algunos
expertos en estadística los prefieren antes que a los coeficientes de correlación
lineal ya que éste se mide en las medidas de los valores estudiados.
Aquí podrás apuntar de forma gráfica la distribución de los errores o residuos para
las observaciones. Con ella podrás determinar si los datos son asimétricos o si
algunos de los valores registrados son atípicos. Lo ideal es que la relación resultante
sea no lineal, en caso de que hayas usado un modelo inadecuado habrá tendencias
en los errores.
Si las variables son constantes o en caso de tener dispersión irregular, este tipo de
grafico te será muy útil. En el modelo de regresión lineal se supone que los residuos
se distribuyen de forma aleatoria en torno al cero.
Ya que en este modelo serás capaz de obtener más variables explicativas, esto
ofrece contar con más información y tener la oportunidad de obtener una estimación
mucho más eficiente y precisa. Es decir, es ideal para demostrar hipótesis
complejas. Es muy utilizada en el estudio de tendencias del mercado y también tiene
grandes ventajas en estudios científicos de medicina y en la salud, para estudios
relacionados con índices de mortalidad y natalidad.
Tiene grandes ventajas y es muy usada en el mundo financiero de las inversiones
para llegar a saber cuál es el riesgo de realizar una inversión determinada. También
es usada para predecir el consumo y el gasto que al mismo tiempo está relacionado
con la economía a gran escala y a pequeña escala también.